发表于CVPR2018。YOLOV3本身没有太多的创新点，主要是整合了当时比较主流的一些网络的优点。
1、YOLOV3的backbone改进：
各个主干网络在imagenet上的运行效果。Darknet-53对比ResNet-152，top1和top5差不多，但速度快一倍。
Darknet-53网络结构（53个卷积层）
Darknet53主要也是采用残差块堆叠而成，但Darknet53没有最大池化层，降采样都是通过卷积层来实现的。有可能是这个操作使得Darknet53只有53个卷积层，却达到了ResNet152的152个卷积层的效果。
图中每个convolutional包含下图三步：Conv2d,BN,LeakyReLU。conv2d是不包bias的，如果使用BN层，bias就不起任何作用。
图中的每个框是一个残差结构如下图：
2、YOLOV3模型结构：
在 YOLO v3 更进一步采用了 3个不同尺度的特征图来进行对象检测。在训练集中所有目标bbox的位置通过k-means方法聚类得到相应的anchor，总共9个anchor，每个尺度3个。
在 COCO 数据集这 9 个先验框如下图：
分配上，在最小的 13 * 13 特征图上（有最大的感受野）应用较大的先验框(116x90)，(156x198)，(373x326)，适合检测较大的对象。中等的 26 * 26 特征图上（中等感受野）应用中等的先验框(30x61)，(62x45)，(59x119)，适合检测中等大小的对象。较大的 52 * 52 特征图上（较小的感受野）应用较小的先验框(10x13)，(16x30)，(33x23)，适合检测较小的对象。
每个预测特征层的预测结果的向量维数为：N*N*[(4+1+C)*K]，其中N是特征图的大小，C是类别数,COCO数据集为80，K是anchor的个数为3。
YOLOV3的总体网络模型如下图：
网络中每次特征图上采样后与原尺寸特征图的融合方式是concat，即在深度方向上拼接。而之前的FPN网络采用的是element-wise相加。
大尺寸特征图，通常可预测小尺寸目标；中尺寸特征图，通常可预测中尺寸目标；小尺寸特征图，通常可预测大尺寸目标。
注意生成预测结果的最后三层都只是Conv2d，没有BN和LeakyReLU。
3、YOLOV3中目标边界框的预测：
YOLOV3中目标边界框的预测和YOLOV2采用了相同的机制，中心点直接预测对于网格单元的相对位置（通过sigmoid函数变到0~1之间）。
YOLOv3网络预测中心点和faster rcnn及SSD有一点不一样，faster rcnn和SSD网络预测的中心点的回归参数是相对与anchor的。而YOLOv3中的中心点的回归参数是相对与网格左上角的。
上图展示了目标边界框的回归过程。图中虚线矩形框为Anchor模板（这里只用看(pw,ph))信息），实线矩形框为通过网络预测的偏移量(相对Grid Cell的左上角)计算得到的预测边界框。其中(cx,cy)为对应Grid Cell的左上角坐标，(pw,ph)为Anchor模板映射在特征层上的宽和高，网络输出(tx,ty,tw,th)分别为网络预测的边界框中心偏移量(tx,ty)以及宽高缩放因子(tw,th)，(bx,by,bw,bh)为最终预测的目标边界框，从(tx,ty,tw,th)转换到(bx,by,bw,bh)的公式如图右侧所示，其中σ(x)函数是sigmoid函数其目的是将预测偏移量缩放到0到1之间（这样能够将每个Grid Cell中预测的边界框的中心坐标限制在当前cell当中，作者说这样能够加快网络收敛）。
4、YOLOV3的正负样本匹配：
每个GT和所有的anchor template去比对。
用GT和anchor template的左上角重合，然后去计算它的IOU。之后通过设置阈值比如IOU>0.3的，都置为正样本。图中只有第二个满足条件。接下来再将GT映射到GRID网格中（或着说预测特征层上），GT的中心点再哪个grid cell中，那么这个grid cell的anchor template 2就是正样本。如果GT与多个anchor template的IOU都大于阈值，那么在当前指定grid cell中对应的多个anchor template都视为正样本。这样会扩充样本的数量。实践发现，这样效果会好一些。
5、损失计算：
YOLOv3的损失函数主要分为三个部分：目标置信度损失、目标分类损失、目标定位偏移量损失。其中λ 1 , λ 2 , λ 3是平衡系数。
